Pythonで一意な値をソートした数値インデックス配列を出力するプログラムの作成方法

データ分析では、重複を含む系列（リストやSeries）から一意な値を抽出し、それらに対応する数値インデックス配列を取得したい場面がよくあります。特に、一意な値をアルファベット順にソートした上でインデックスを振り直したい場合は、pandasのpd.factorize()関数が便利です。

たとえば、次のような出力を目指します。

Sorted distinct values - numeric array index
[2 3 0 3 2 1 4]
['apple' 'kiwi' 'mango' 'orange' 'pomegranate']

解決策

pd.factorize()は、配列内の一意な値を検出し、それぞれに整数コードを割り当てる関数です。sort=Trueを指定すると、一意な値がソートされ、対応するコードも再割り当てされます。手順は以下の通りです。

• 重複を含む要素のリストに対してpd.factorize()関数を適用し、結果をindexとunique_valueとして保存します。

index, unique_value =
pd.factorize(['mango','orange','apple','orange','mango','kiwi','pomegranate'])

• indexと要素を出力します。この段階では、一意な値は出現順にコードが割り当てられており、ソートされていません。

• 続いて、pd.factorize()にsort=Trueを指定して再度適用し、結果をsorted_indexとunique_valueとして保存します。

sorted_index, unique_value =
pd.factorize(['mango','orange','apple','orange','mango','kiwi','pomegranate'],sort=True)

• 最後に、ソート済みの数値インデックスと一意な値を出力します。

例

以下のコードを実行すると、動作をより深く理解できます。

import pandas as pd

index, unique_value =
pd.factorize(['mango','orange','apple','orange','mango','kiwi','pomegranate'])
print("Without sorting of distinct values-numeric array index")
print(index)
print(unique_value)
print("Sorted distinct values - numeric array index")
sorted_index, unique_value =
pd.factorize(['mango','orange','apple','orange','mango','kiwi','pomegranate'],sort=True)
print(sorted_index)
print(unique_value)

出力

Without sorting of distinct values-numeric array index
[0 1 2 1 0 3 4]
['mango' 'orange' 'apple' 'kiwi' 'pomegranate']
Sorted distinct values - numeric array index
[2 3 0 3 2 1 4]
['apple' 'kiwi' 'mango' 'orange' 'pomegranate']

このように、sort=Trueを指定しない場合は値の出現順にコードが割り当てられますが、指定すると一意な値がアルファベット順に並べ替えられ、それに応じた数値インデックス配列が得られます。カテゴリデータのエンコーディングなどにも幅広く活用できるテクニックです。